「魔鏡魔鏡告訴我，誰是世界上最美的女人？」這句伴隨童年的話也有現實版哦～神經網路可以預測人臉顏值，這方面也出現了不少研究。今年年初華南理工大學的研究者釋出論文，並公開了資料集 SCUT-FBP5500。本文作者 Dima Shulga「復現」了該論文，並用自己的照片做了試驗。

數月前，華南理工大學釋出了關於「顏值預測」的論文和資料集，資料集包括 5500 人，每人按顏值魅力打分，分值在 1 到 5 分之間。

論文地址：https：//arxiv。org/abs/1801。06345

資料集地址：https：//github。com/HCIILAB/SCUT-FBP5500-Database-Release

資料集中還有很多名人。Julia Robert 的這張照片得到了 3。78 的平均分：

以色列名模 Bar Refaeli 這張照片得分 3。7：

似乎分也不高嘛，但是 3。7 的得分意味著比資料集中大約 80% 的人要好看。

資料集作者利用該資料集訓練多個模型，嘗試根據人臉照片預測這個人的魅力。

結果

該論文使用 2 種技術訓練模型：5-fold 交叉驗證、60%-40% 的訓練集-測試集分割。論文作者使用皮爾遜相關係數（PC）、平均絕對誤差（MAE）和均方根差（RMSE）對結果進行衡量。5-fold 交叉驗證的結果如下：

我將使用 80%-20% 的訓練集-測試集分割，類似執行他們的交叉驗證的 1-fold。結果如下：

RMSE： 0。301799791952313MAE： 0。2333630505619627PC： 0。9012570266136678

相當不錯。此外，檢視分數散點圖和直方圖很方便：

原始分數分佈（正態）：

預測分數分佈（正態）：

結果看起來不錯。現在我們來看下這個深度神經網路給我打幾分吧。我一開始用了這張照片：

得分 2。85，我只比該資料集中 52% 的人好看……不得不說有點失望，我原本以為結果比這好，於是我決定再試試。

我拍了很多照片，最終有一張得了 3。15 分，這意味著我比該資料集中 64% 的人更好看～

好多了～老實講我還是想得更高分～ ：）

最後說明一下，我使用 Google Colaboratory 構建和調整模型，它提供 Python notebook，可以免費使用 GPU！

論文：SCUT-FBP5500: A Diverse Benchmark Dataset for Multi-Paradigm Facial Beauty Prediction

論文連結：https：//arxiv。org/abs/1801。06345

摘要：

顏值預測（facial beauty prediction，FBP）是使人臉魅力評估達到人類感知程度的重要視覺識別問題。為了解決該問題，不同的資料驅動模型，尤其是當前最優的深度學習技術被引入，基準資料整合為實現 FBP 的必要因素。之前的研究將顏值識別作為一個特定的分類、迴歸或排序的監督學習問題，表明 FBP 本質上是一個具備多個正規化的計算問題。但是，大部分 FBP 基準資料集是在特定的計算約束下構建的，這限制了在該資料集上訓練的模型的效能和靈活性。本論文中，我們認為 FBP 是一個多正規化的計算問題，並提出一種新的多元化基準資料集 SCUT-FBP5500，來實現多正規化顏值預測。該資料集共有 5500 個人臉正面照片，這些照片具備不同屬性（男性／女性，年齡等）和不同標籤（面部地標、顏值得分（1~5）、顏值得分分佈），允許具備不同 FBP 正規化的不同計算模型，如基於外表／身材的亞洲人／高加索人的男性／女性的顏值的分類／迴歸模型。我們使用不同的特徵和預測器組合、不同的深度學習方法評估 SCUT-FBP5500 資料集，結果表明在該資料集上 FBP 有所改進，且具備潛在應用。